This dataset contains 2022-2023 football player of Premier League stats per 90 minutes.¶

In [4]:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
fb_py = pd.read_excel('FootballPlayer.xlsx')
fb_py.head()
Out[4]:
Rk Player Nation Pos Squad Comp Age Born MP Starts ... Off Crs TklW PKwon PKcon OG Recov AerWon AerLost AerWon%
0 1 Brenden Aaronson USA MFFW Leeds United Premier League 22 2000 20 19 ... 0.17 2.54 0.51 0.0 0.0 0.0 4.86 0.34 1.19 22.2
1 2 Che Adams SCO FW Southampton Premier League 26 1996 21 18 ... 0.40 0.51 0.69 0.0 0.0 0.0 2.29 2.97 5.03 37.1
2 3 Tyler Adams USA MF Leeds United Premier League 23 1999 19 19 ... 0.05 0.11 2.00 0.0 0.0 0.0 8.68 0.89 0.63 58.6
3 4 Tosin Adarabioyo ENG DF Fulham Premier League 25 1997 14 12 ... 0.00 0.08 0.41 0.0 0.0 0.0 4.67 2.13 0.41 83.9
4 5 Nayef Aguerd MAR DF West Ham Premier League 26 1996 6 5 ... 0.18 0.00 1.58 0.0 0.0 0.0 5.26 1.75 1.05 62.5

5 rows × 124 columns

In [5]:
fb_py[fb_py.isnull().any(axis=1)]
Out[5]:
Rk Player Nation Pos Squad Comp Age Born MP Starts ... Off Crs TklW PKwon PKcon OG Recov AerWon AerLost AerWon%
372 373 David Ozoh NaN FW Crystal Palace Premier League 17 2005 1 0 ... 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0

1 rows × 124 columns

In [6]:
# มีตำแหน่งใดบ้าง
fb_py['Pos'].unique()
Out[6]:
array(['MFFW', 'FW', 'MF', 'DF', 'FWMF', 'GK', 'DFMF', 'FWDF', 'DFFW',
       'MFDF'], dtype=object)
In [7]:
#df = df.drop(['CL1', 'CL2', 'CL3', 'CL4'], axis = 1) drop column

สร้าง DataFrame ใหม่ขึ้น¶

In [8]:
fb_py_new = pd.DataFrame()
In [9]:
fb_py_new['Player'] = fb_py ['Player'] 
fb_py_new['Nation'] = fb_py ['Nation'] 
fb_py_new['Position'] = fb_py ['Pos'] 
fb_py_new['Team'] = fb_py ['Squad'] 
fb_py_new['Age'] = fb_py ['Age'] 
fb_py_new['Match'] = fb_py ['MP'] 
fb_py_new['Goals'] = fb_py ['Goals'] 
fb_py_new['Tackled'] = fb_py ['Tkl'] 
fb_py_new['CreatShot'] = fb_py ['SCA'] 
fb_py_new['Assist'] = ((fb_py['Assists'] * fb_py['Min']) / 90).round(0).astype(int)
fb_py_new['Pass'] = ((fb_py ['PasTotAtt'] * fb_py ['Min']) / 90).round(0).astype(int) #การผ่านบอล  
fb_py_new['PassCompleted'] = ((fb_py ['PasTotCmp'] * fb_py ['Min']) / 90).round(0).astype(int) #ผ่านบอลสำเร็จ 
fb_py_new['PassComp%'] = fb_py['PasTotCmp%'] #ผ่านบอลสำเร็จ
fb_py_new['TackleWon'] = ((fb_py ['TklWon'] * fb_py ['Min']) / 90).round(0).astype(int)
fb_py_new['YCards'] = ((fb_py ['CrdY'] * fb_py ['Min']) / 90).round(0).astype(int)
fb_py_new['RCards'] = ((fb_py ['CrdR'] * fb_py ['Min']) / 90).round(0).astype(int) 
fb_py_new['Fls'] = ((fb_py['Fls'] * fb_py['Min']) / 90).round(0).astype(int) 
fb_py_new['AirWon'] = ((fb_py['AerWon'] * fb_py['Min']) / 90).round(0).astype(int) #ชนะการดวลลูกกลางอากาศ 
fb_py_new['AirWon%'] = ((fb_py['AerWon'] / (fb_py['AerWon'] + fb_py['AerLost'])) * 100).round(2) #ชนะการดวลลูกกลางอากาศ % 

fb_py_new['Cross'] = ((fb_py['PasCrs'] * fb_py['Min']) / 90).round(0).astype(int)#ครอสบอลต่อเกม
fb_py_new['CrossCompleted'] = ((fb_py['CrsPA'] * fb_py['Min']) / 90).round(0).astype(int) #ครอสบอลสำเร็จต่อเกม
fb_py_new['CrossComp%'] = ((fb_py_new['CrossCompleted'] / fb_py_new['Cross']) * 100).round(2) #ครอสบอลสำเร็จต่อเกม %

fb_py_new['Dribble'] = ((fb_py['TklDri'] * fb_py['Min']) / 90).round(0).astype(int)
fb_py_new['DribbleCompleted'] = ((fb_py['ScaDrib'] * fb_py['Min']) / 90).round(0).astype(int) #เลี้ยงบอลผ่านต่อเกม
In [10]:
fb_py_new
Out[10]:
Player Nation Position Team Age Match Goals Tackled CreatShot Assist ... YCards RCards Fls AirWon AirWon% Cross CrossCompleted CrossComp% Dribble DribbleCompleted
0 Brenden Aaronson USA MFFW Leeds United 22 20 1 1.64 3.62 2 ... 2 0 11 6 22.22 45 2 4.44 9 4
1 Che Adams SCO FW Southampton 26 21 4 0.86 2.63 2 ... 0 0 31 52 37.12 9 2 22.22 7 1
2 Tyler Adams USA MF Leeds United 23 19 0 4.11 1.84 0 ... 5 1 33 17 58.55 2 0 0.00 42 0
3 Tosin Adarabioyo ENG DF Fulham 25 14 1 1.07 0.41 0 ... 2 0 8 26 83.86 1 0 0.00 6 0
4 Nayef Aguerd MAR DF West Ham 26 6 0 2.28 0.18 0 ... 3 0 4 10 62.50 0 0 NaN 7 0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
535 Jordan Zemura ZIM DF Bournemouth 23 16 0 2.44 2.22 1 ... 1 0 14 6 37.29 14 4 28.57 20 6
536 Oleksandr Zinchenko UKR DF Arsenal 26 14 0 1.92 2.08 1 ... 2 0 2 21 75.11 22 3 13.64 11 0
537 Hakim Ziyech MAR FWMF Chelsea 29 12 0 3.16 3.68 1 ... 0 0 8 0 0.00 54 6 11.11 4 1
538 Kurt Zouma FRA DF West Ham 28 15 1 0.28 0.28 0 ... 0 0 7 37 88.18 0 0 NaN 3 0
539 Martin Ødegaard NOR MF Arsenal 24 20 15 1.02 5.08 5 ... 3 0 19 9 40.68 47 2 4.26 4 2

540 rows × 24 columns

In [11]:
fb_py_new.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 540 entries, 0 to 539
Data columns (total 24 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   Player            540 non-null    object 
 1   Nation            539 non-null    object 
 2   Position          540 non-null    object 
 3   Team              540 non-null    object 
 4   Age               540 non-null    int64  
 5   Match             540 non-null    int64  
 6   Goals             540 non-null    int64  
 7   Tackled           540 non-null    float64
 8   CreatShot         540 non-null    float64
 9   Assist            540 non-null    int64  
 10  Pass              540 non-null    int64  
 11  PassCompleted     540 non-null    int64  
 12  PassComp%         540 non-null    float64
 13  TackleWon         540 non-null    int64  
 14  YCards            540 non-null    int64  
 15  RCards            540 non-null    int64  
 16  Fls               540 non-null    int64  
 17  AirWon            540 non-null    int64  
 18  AirWon%           489 non-null    float64
 19  Cross             540 non-null    int64  
 20  CrossCompleted    540 non-null    int64  
 21  CrossComp%        387 non-null    float64
 22  Dribble           540 non-null    int64  
 23  DribbleCompleted  540 non-null    int64  
dtypes: float64(5), int64(15), object(4)
memory usage: 101.4+ KB
In [12]:
plt.figure(figsize=(12, 8))
corr_matrix = fb_py_new[['CreatShot',
'Assist',
'Pass',
'PassCompleted',
'PassComp%',
'TackleWon',
'YCards',
'RCards',
'Fls',
'AirWon',
'AirWon%', 
'Cross',
'CrossCompleted',
'CrossComp%',
'Dribble',
'DribbleCompleted']].corr()
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Correlation Matrix')
plt.show()
No description has been provided for this image

สถิติการยิงประตู¶

In [13]:
total_goals = fb_py_new['Goals'].sum()
print("จำนวนประตูทั้งหมดในลีค :", total_goals , 'ประตู')

จำนวนประตูทั้งหมดในลีค : 728 ประตู
In [14]:
# 10 อันดับผู้เล่นที่ยิงประตูมากที่สุด
(fb_py_new.sort_values('Goals', ascending = False).head(10).iloc[:, [0,2,3,4,5,6]])
Out[14]:
Player Position Team Age Match Goals
208 Erling Haaland FW Manchester City 22 37 36
252 Harry Kane FW Tottenham 29 23 30
489 Ivan Toney FW Brentford 26 20 20
427 Mohamed Salah FW Liverpool 30 20 19
523 Callum Wilson FW Newcastle Utd 30 16 18
398 Marcus Rashford FW Manchester Utd 25 22 17
514 Ollie Watkins FW Aston Villa 27 20 15
539 Martin Ødegaard MF Arsenal 24 20 15
310 Martinelli FW Arsenal 21 21 15
426 Bukayo Saka FW Arsenal 21 21 14
In [15]:
goal_py = fb_py_new.groupby('Player')['Goals'].sum().reset_index()
goal_py_sorted = goal_py.sort_values(by='Goals', ascending=False)
top_10 = goal_py_sorted.head(10)
# Plotting
plt.figure(figsize=(13,3))
plt.bar(top_10['Player'], top_10['Goals'], color='red')
plt.xlabel('Name')
plt.ylabel('Total Goals Scored')
plt.title('Top 10 Players list of goal scorers Premier League 2022 - 2023')
plt.xticks(rotation=90)  
plt.show()
No description has been provided for this image
In [16]:
haaland_goals = fb_py_new[fb_py_new['Player'] == 'Erling Haaland']['Goals'].sum()
print("จำนวนการยิงประตูทั้งหมดของ Erling Haaland:", haaland_goals , ' ประตู')

จำนวนการยิงประตูทั้งหมดของ Erling Haaland: 36  ประตู
In [17]:
fig = px.scatter(fb_py_new, x='Age', y='Goals', trendline='ols')
fig.update_layout(xaxis_title='อายุ',yaxis_title='จำนวนประตู',title = 'กราฟอายุต่อจำนวนประตู')

newplot (1).png

In [18]:
fig = px.scatter(fb_py_new, x='Goals', y='Match')
fig.update_layout(xaxis_title='Goals',yaxis_title='Match',title = 'กราฟจำนวนเกมต่อจำนวนประตู')

newplot (3).png

สถิติการเลี้ยงบอล¶

In [19]:
# 5 อันดับนักเตะเลี้ยงบอลสำเร็จมากที่สุด
(fb_py_new.sort_values('DribbleCompleted', ascending = False).head(5).iloc[:, [0,2,3,4,5,23]])
Out[19]:
Player Position Team Age Match DribbleCompleted
336 Aleksandar Mitrovic FW Fulham 28 19 9
238 Gabriel Jesus FW Arsenal 25 14 9
268 Dejan Kulusevski MFFW Tottenham 22 15 8
398 Marcus Rashford FW Manchester Utd 25 22 8
306 Solly March FWDF Brighton 28 21 8

สถิติการผ่านบอล¶

In [20]:
# 10 อันดับนักเตะผ่านบอลสำเร็จมากที่สุด
(fb_py_new.sort_values('PassCompleted', ascending = False).head(10).iloc[:, [0,2,3,4,5,11,10]])
Out[20]:
Player Position Team Age Match PassCompleted Pass
413 Rodri MF Manchester City 26 20 1702 1866
141 Lewis Dunk DF Brighton 31 21 1543 1717
451 Thiago Silva DF Chelsea 38 20 1451 1609
226 Pierre Højbjerg MF Tottenham 27 22 1277 1445
428 William Saliba DF Arsenal 21 21 1238 1350
129 Eric Dier DF Tottenham 29 22 1221 1417
499 Virgil van Dijk DF Liverpool 31 17 1180 1325
404 Declan Rice MF West Ham 24 22 1162 1324
135 Gabriel Dos Santos DF Arsenal 25 21 1161 1302
493 Kieran Trippier DF Newcastle Utd 32 22 1133 1587
In [21]:
# 10 อันดับนักเตะที่มีเปอร์เซ็นผ่านบอลสำเร็จมากที่สุด ในตำแหน่งกองกลางที่เล่นมากกว่า 15 เกม
(fb_py_new[(fb_py_new.Match>=15) & (fb_py_new.Position.str.contains('MF'))].sort_values('PassComp%', ascending = False).head(10).iloc[:, [0,2,3,5,12]])
Out[21]:
Player Position Team Match PassComp%
413 Rodri MF Manchester City 20 91.3
57 Yves Bissouma MF Tottenham 20 90.0
226 Pierre Højbjerg MF Tottenham 22 88.4
296 Alexis Mac Allister MF Brighton 18 88.4
70 Moisés Caicedo MF Brighton 20 88.2
157 Fabinho MF Liverpool 18 88.1
404 Declan Rice MF West Ham 22 87.8
206 Ýlkay Gündoðan MF Manchester City 18 87.3
349 Wilfred Ndidi MFDF Leicester City 15 87.0
377 Thomas Partey MF Arsenal 18 86.2
In [22]:
# ทีมที่ผ่านบอลสำเร็จมากที่สุดในลีค 
team_pass = fb_py_new.groupby(['Team']).agg(Pass_Attempted = ('Pass', 'sum'),
Pass_Completion = ('PassCompleted', 'sum'))
team_pass = pd.DataFrame(team_pass).reset_index()
team_pass['PassComp%'] = ((team_pass['Pass_Completion'] / team_pass['Pass_Attempted']) * 100).round(2)
team_pass = team_pass.sort_values('PassComp%', ascending = False).head(1).iloc[:, [0,-1]]
team_pass
Out[22]:
Team PassComp%
12 Manchester City 87.35
In [23]:
# 5 อันดับนักเตะที่มีเปอร์เซ็นครอสบอลสำเร็จมากที่สุด ในตำแหน่งกองกลางที่เล่นมากกว่า 20 เกม
(fb_py_new[(fb_py_new.Match>=20) & (fb_py_new.Position.str.contains('MF'))].sort_values('CrossComp%', ascending = False).head(5).iloc[:, [0,2,3,5,21]])
Out[23]:
Player Position Team Match CrossComp%
57 Yves Bissouma MF Tottenham 20 50.00
226 Pierre Højbjerg MF Tottenham 22 45.45
70 Moisés Caicedo MF Brighton 20 44.44
413 Rodri MF Manchester City 20 33.33
461 Tomáš Sou?ek MF West Ham 22 33.33
In [24]:
# 5 อันดับนักเตะครอสบอลสำเร็จมากที่สุด
(fb_py_new.sort_values('CrossCompleted', ascending = False).head(5).iloc[:, [0,2,3,4,5,20,19]])
Out[24]:
Player Position Team Age Match CrossCompleted Cross
493 Kieran Trippier DF Newcastle Utd 32 22 20 226
384 Ivan Periši? DFMF Tottenham 34 23 18 126
13 Trent Alexander-Arnold DF Liverpool 24 20 17 137
119 Kevin De Bruyne MF Manchester City 31 20 14 157
106 Aaron Cresswell DF West Ham 33 18 13 101
In [25]:
# 5 อันดับนักเตะครอสบอลสำเร็จมากที่สุด ที่เกิน 10 ครั้ง 
(fb_py_new[fb_py_new['CrossCompleted']>= 10].sort_values('CrossCompleted', ascending = False).head(5).iloc[:, [0,2,3,4,5,20,21]])
Out[25]:
Player Position Team Age Match CrossCompleted CrossComp%
493 Kieran Trippier DF Newcastle Utd 32 22 20 8.85
384 Ivan Periši? DFMF Tottenham 34 23 18 14.29
13 Trent Alexander-Arnold DF Liverpool 24 20 17 12.41
119 Kevin De Bruyne MF Manchester City 31 20 14 8.92
106 Aaron Cresswell DF West Ham 33 18 13 12.87

ช่วยทำประตู¶

In [26]:
# 5 ผู้เล่นที่สร้างสรรค์โอกาสต่อเกมมากสุดในลีค
fb_py_new[(fb_py_new.Match>=15)].sort_values('CreatShot', ascending = False).head(5).iloc[:, [0,2,8]]
Out[26]:
Player Position CreatShot
119 Kevin De Bruyne MF 6.52
300 Riyad Mahrez FWMF 5.70
539 Martin Ødegaard MF 5.08
71 Tom Cairney MF 5.00
162 Bruno Fernandes MFFW 4.95
In [27]:
# 5 ผู้เล่นที่ช่วยทำประตูมากสุดในลีค
fb_py_new.sort_values('Assist', ascending = False).head(5).iloc[:, [0,2,9]]
Out[27]:
Player Position Assist
119 Kevin De Bruyne MF 11
426 Bukayo Saka FW 8
152 Christian Eriksen MF 7
381 Andreas Pereira MF 6
530 Granit Xhaka MF 5

เข้าปะทะ¶

In [28]:
# 5 ผู้เล่นที่เข้าปะทะชนะ
fb_py_new.sort_values('TackleWon', ascending = False).head(5).iloc[:, [0,2,5,13]]
Out[28]:
Player Position Match TackleWon
373 João Palhinha MF 22 56
473 Pascal Struijk DF 20 44
2 Tyler Adams MF 19 38
137 Cheick Doucouré MF 20 35
240 Joelinton MFFW 20 35
In [29]:
# ทีมที่เข้าปะทะชนะ มากที่สุด
t_tackle_won = fb_py_new.groupby(['Team']).agg(T_TackleWon = ('TackleWon', 'sum'))
t_tackle_won = pd.DataFrame(t_tackle_won).reset_index()
t_tackle_won.sort_values('T_TackleWon', ascending = False).head(1)
Out[29]:
Team T_TackleWon
9 Leeds United 278

การทำฟาล์ว¶

In [30]:
#5 ผู้เล่นที่ที่ทำฟาล์วมากที่สุด 
fb_py_new.sort_values('Fls', ascending = False).head(5).iloc[:, [0,2,3,4,5,16]]
Out[30]:
Player Position Team Age Match Fls
212 Kai Havertz FWMF Chelsea 23 21 41
70 Moisés Caicedo MF Brighton 21 20 39
240 Joelinton MFFW Newcastle Utd 26 20 37
531 Ryan Yates MF Nott'ham Forest 25 18 37
442 Jeffrey Schlupp MF Crystal Palace 30 22 36
In [31]:
#10 ผู้เล่นที่ได้รับใบเหลืองมากที่สุด 
fb_py_new.sort_values('YCards', ascending = False).head(10).iloc[:, [0,2,3,4,5,14]]
Out[31]:
Player Position Team Age Match YCards
240 Joelinton MFFW Newcastle Utd 26 20 9
52 Rodrigo Bentancur MF Tottenham 25 18 8
489 Ivan Toney FW Brentford 26 20 8
373 João Palhinha MF Fulham 27 22 8
403 Bobby Reid FWDF Fulham 30 22 7
416 Cristian Romero DF Tottenham 24 14 7
204 Marc Guéhi DF Crystal Palace 22 21 7
137 Cheick Doucouré MF Crystal Palace 23 20 7
353 Rúben Neves MF Wolves 25 21 7
455 Adam Smith DF Bournemouth 31 21 7
In [32]:
#ผู้เล่นที่ได้รับใบแดงในลีคทั้งหมด
fb_py_new.sort_values('RCards', ascending = False).head().iloc[:, [0,2,3,4,5,15]]
Out[32]:
Player Position Team Age Match RCards
2 Tyler Adams MF Leeds United 23 19 1
75 João Cancelo DF Manchester City 28 17 1
102 Diego Costa FW Wolves 34 10 1
85 Nathaniel Chalobah MF Fulham 28 4 1
151 Emerson DF Tottenham 24 18 1

การดวลลูกกลางอากาศ¶

In [33]:
#10 ผู้เล่นที่มีเปอร์เซ็นชนะการดวลลูกกลางอากาศ ที่เล่นมากกว่า 15 เกม
(fb_py_new[(fb_py_new.Match >= 15) & (fb_py_new.Position.str.contains('DF'))].sort_values('AirWon%', ascending = False).head(10).iloc[:, [0,2,5,3,4,18]])
Out[33]:
Player Position Match Team Age AirWon%
538 Kurt Zouma DF 15 West Ham 28 88.18
499 Virgil van Dijk DF 17 Liverpool 31 78.53
529 Joe Worrall DF 17 Nott'ham Forest 26 72.57
75 João Cancelo DF 17 Manchester City 28 71.16
479 James Tarkowski DF 21 Everton 30 69.87
500 Raphaël Varane DF 17 Manchester Utd 29 69.60
515 Adam Webster DF 16 Brighton 28 69.11
19 Joachim Andersen DF 17 Crystal Palace 26 68.93
110 Diogo Dalot DF 15 Manchester Utd 23 68.55
451 Thiago Silva DF 20 Chelsea 38 68.44

หากจะจัดทีมที่ดีที่สุดในปีนี้¶

จะเลือกนักเตะ 10 ตำแหน่ง จากข้อมูลที่มี โดยใช้แผน 4 - 3 - 3¶

S__13451267.jpg

In [34]:
#คนที่ 1 ตำแหน่งหน้าเป้า เลือกจากการยิงประตูสูง อายุไม่เกิน 32 และมีการชนะลูกกลางอากาศที่ดี ยิงมากกว่า 20 ประตู
FW_1= (fb_py_new[(fb_py_new.Match>=20) & 
         (fb_py_new['Age'] < 32) &
         (fb_py_new['Position'] == 'FW') &
         (fb_py_new['Goals'] >= 15) & 
 (fb_py_new.Position.str.contains('FW'))].sort_values(['Goals','AirWon%'], ascending = False).head(5).iloc[:, [0,2,3,4,5,6,18]])

FW_1
Out[34]:
Player Position Team Age Match Goals AirWon%
208 Erling Haaland FW Manchester City 22 37 36 52.09
252 Harry Kane FW Tottenham 29 23 30 46.42
489 Ivan Toney FW Brentford 26 20 20 48.26
427 Mohamed Salah FW Liverpool 30 20 19 19.74
398 Marcus Rashford FW Manchester Utd 25 22 17 36.02
In [35]:
FW_1_is = FW_1['Player'].head(1)
print('ตำแหน่งกองหน้าตัวเป้าคนแรก คือ ', FW_1_is )

ตำแหน่งกองหน้าตัวเป้าคนแรก คือ  208    Erling Haaland
Name: Player, dtype: object
In [36]:
#คนที่ 2 3 ตำแหน่งหน้าซ้าย และ หน้าขวา เลือกจากการยิงประตูสูงมากกว่า 15 ประตู อายุไม่เกิน 32 และมีการชนะลูกกลางอากาศที่ดี ยิงมากกว่า 20 ประตู
FW_2_3= (fb_py_new[(fb_py_new.Match>=20) & 
         (fb_py_new['Age'] < 32) &
         (fb_py_new['Position'] == 'FW') &
         (fb_py_new['DribbleCompleted'] >= 5) & 
 (fb_py_new.Position.str.contains('FW'))].sort_values(['Goals'], ascending = False).head(10).iloc[:, [0,2,3,4,5,6,23]])

FW_2_3
Out[36]:
Player Position Team Age Match Goals DribbleCompleted
252 Harry Kane FW Tottenham 29 23 30 7
427 Mohamed Salah FW Liverpool 30 20 19 5
398 Marcus Rashford FW Manchester Utd 25 22 17 8
16 Miguel Almirón FW Newcastle Utd 29 22 11 7
In [37]:
FW_2_3_is = FW_2_3['Player'].head(2)
print('ตำแหน่งกองหน้าขวา และ หน้าซ้าย คือ ' )
FW_2_3_is

ตำแหน่งกองหน้าขวา และ หน้าซ้าย คือ
Out[37]:
252       Harry Kane
427    Mohamed Salah
Name: Player, dtype: object
In [38]:
#คนที่ 4 5 ตำแหน่งกองกลาง ตัวรุก เลือกจากจำนวน Assist , การผ่านบอลสำเร็จและเปอร์เซ็น , การสร้างโอกาสต่อเกม
MF_4_5= (fb_py_new[(fb_py_new.Match>=15) & 
         (fb_py_new['Position'] == 'MF') &
         (fb_py_new['Age'] < 32) &
         (fb_py_new['Assist'] >= 5 ) &
         (fb_py_new['PassCompleted'] >= 500) &
         (fb_py_new['PassComp%'] >= 40) &
         (fb_py_new['CreatShot'] >= 3) &
 (fb_py_new.Position.str.contains('MF'))].sort_values(['Assist','CreatShot'], ascending = False).head(10).iloc[:, [0,2,3,4,5,9,11,12,8]])

MF_4_5
Out[38]:
Player Position Team Age Match Assist PassCompleted PassComp% CreatShot
119 Kevin De Bruyne MF Manchester City 31 20 11 760 71.9 6.52
539 Martin Ødegaard MF Arsenal 24 20 5 717 79.1 5.08
530 Granit Xhaka MF Arsenal 30 21 5 851 84.7 3.69
In [39]:
MF_4_5_is = MF_4_5['Player'].head(2)
print('ตำแหน่งกองกลางตัวรุก คือ ' )
MF_4_5_is

ตำแหน่งกองกลางตัวรุก คือ
Out[39]:
119    Kevin De Bruyne
539    Martin Ødegaard
Name: Player, dtype: object
In [40]:
#คนที่ 6 ตำแหน่งกองกลาง ตัวรับ เลือกจากจำนวน Assist , การผ่านบอลสำเร็จและเปอร์เซ็น , การสร้างโอกาสต่อเกม
MF_6= (fb_py_new[(fb_py_new.Match>=20) & 
         (fb_py_new['Position'] == 'MF') &
         (fb_py_new['Age'] < 32) &
         (fb_py_new['PassCompleted'] >= 1000) &
         (fb_py_new['TackleWon'] >= 20 ) &
         (fb_py_new['PassComp%'] >= 80) &
 (fb_py_new.Position.str.contains('MF'))].sort_values(['TackleWon','PassComp%'], ascending = False).head(10).iloc[:, [0,2,3,4,5,11,10,12,13]])

MF_6
Out[40]:
Player Position Team Age Match PassCompleted Pass PassComp% TackleWon
413 Rodri MF Manchester City 26 20 1702 1866 91.3 28
70 Moisés Caicedo MF Brighton 21 20 1039 1180 88.2 28
353 Rúben Neves MF Wolves 25 21 1079 1306 82.6 25
404 Declan Rice MF West Ham 24 22 1162 1324 87.8 21
In [41]:
MF_6_is = MF_6['Player'].head(1)
print('ตำแหน่งกองกลางตัวรับ คือ ' )
MF_6_is

ตำแหน่งกองกลางตัวรับ คือ
Out[41]:
413    Rodri
Name: Player, dtype: object
In [42]:
#คนที่ 7 8 ตำแหน่งกองหลังเซ็นเตอร์ เลือกจากเปอร์เซ็นการผ่านบอลสำเร็จ , การชนะการดวลกลางอากาศ
DF_7_8= (fb_py_new[(fb_py_new.Match>=15) & 
         (fb_py_new['Position'] == 'DF') &
         (fb_py_new['Age'] < 32) &
         (fb_py_new['PassComp%'] >= 70) &
         (fb_py_new['AirWon'] >= 20) &
         (fb_py_new['AirWon%'] >= 70) &
 (fb_py_new.Position.str.contains('DF'))].sort_values(['AirWon%','PassComp%'], ascending = False).head(15).iloc[:, [0,2,3,4,5,12,17,18,16,13,15]])

DF_7_8
Out[42]:
Player Position Team Age Match PassComp% AirWon AirWon% Fls TackleWon RCards
538 Kurt Zouma DF West Ham 28 15 85.6 37 88.18 7 2 0
499 Virgil van Dijk DF Liverpool 31 17 89.1 44 78.53 6 3 0
529 Joe Worrall DF Nott'ham Forest 26 17 80.1 29 72.57 19 13 0
75 João Cancelo DF Manchester City 28 17 84.9 27 71.16 13 21 1
In [43]:
DF_7_8_is = DF_7_8['Player'].head(2)
print('ตำแหน่งกองหลังเซ็นเตอร์ คือ ' )
DF_7_8_is

ตำแหน่งกองหลังเซ็นเตอร์ คือ
Out[43]:
538         Kurt Zouma
499    Virgil van Dijk
Name: Player, dtype: object
In [44]:
#คนที่ 9 10 ตำแหน่งกองหลังปีกซ้าย ขวา เลือกจากเปอร์เซ็นการผ่านบอลสำเร็จ ,การครอสบอลจากด้านข้างสำเร็จเกิน 10 ครั้ง, เปอร์เซ็นการผ่านบอล
DF_9_10= (fb_py_new[(fb_py_new.Match>=20) & 
         (fb_py_new['Position'] == 'DF') &
         (fb_py_new['Age'] < 35) &
         (fb_py_new['Pass'] >= 1000) &
         (fb_py_new['PassComp%'] >= 70) &
         (fb_py_new['CrossCompleted'] >= 10) &
 (fb_py_new.Position.str.contains('DF'))].sort_values(['CrossCompleted','PassComp%'], ascending = False).head(15).iloc[:, [0,2,3,4,5,11,10,12,19,20,21]])

DF_9_10
Out[44]:
Player Position Team Age Match PassCompleted Pass PassComp% Cross CrossCompleted CrossComp%
493 Kieran Trippier DF Newcastle Utd 32 22 1133 1587 71.4 226 20 8.85
13 Trent Alexander-Arnold DF Liverpool 24 20 1039 1423 73.1 137 17 12.41
410 Antonee Robinson DF Fulham 25 20 763 1041 73.3 70 13 18.57
In [45]:
DF_9_10_is = DF_9_10['Player'].head(2)
print('ตำแหน่งกองหลังปีกซ้าย ขวา ' )
DF_9_10_is

ตำแหน่งกองหลังปีกซ้าย ขวา
Out[45]:
493           Kieran Trippier
13     Trent Alexander-Arnold
Name: Player, dtype: object

ทีมที่สุดในปีนี้จากการเลือกโดยใช้ข้อมูลที่มี¶

S__13451271.jpg

In [46]:
import plotly.express as px

data = dict(
    categories = ['Attackers', 'Midfielders', 'Defenders',
                  'Haaland', 'Kane', 'Salah',
                  'Ødegaard', 'De Bruyne', 'Rodri', 
                  'Trippier', 'Van Dijk', 'Kurt Zouma', 'Trent'],
    parent = [ '', '', '', 'Attackers', 'Attackers', 'Attackers', 'Midfielders', 'Midfielders', 'Midfielders', 'Defenders', 'Defenders', 'Defenders', 'Defenders'],
    value = [40, 40, 40, 40, 40, 40, 40, 40, 40, 40, 40, 40, 40])

fig = px.sunburst(data,
                  names = 'categories',
                  parents = 'parent',
                  values = 'value')
fig.update_layout(title='Team My Data',
                  title_font_size=20)
fig.show()
In [ ]:

newplot (2).png

In [48]:
# export data to a CSV file
# data.to_csv('mydata.csv', index=False)

# export data to an Excel file
fb_py_new.to_excel('fb_py_new.xlsx', index=False)

TO POWER BI DESKTOP¶

PMML.PNG

Erling Haaland¶

Position : FW¶

Team : Manchester City¶

Goals : 36¶

PML.PNG

PMLL.PNG

In [ ]: